基于机器学习的高速列车抗蛇行减振器劣化状态识别方法研究

为识别高速列车抗蛇行减振器服役过程中的劣化状态,首先基于运用统计选取了5种典型的组合参数,通过台架试验获取其动态频变刚度和阻尼特性;然后采用抗蛇行减振器非参数化建模方法建立了整车动力学联合仿真模型,计算得到不同工况下的车辆动力学响应;构建了机器学习分类问题,分别采用支持向量机(Support Vector Machine, SVM)和卷积神经网络(Convolutional Neural Network, CNN)的方法对减振器状态进行识别。研究结果表明,基于BP神经网络(Back Propagation Neural Network,BPNN)的非参数化模型更为准确地描述抗蛇行减振器的动态行为,建立的整车联合仿真模型计算结果与实测数据符合较好;采用SVM算法构建的机器学习模型识别效果一般,而采用CNN算法构建的机器学习模型则达到较高的识别准确度。考虑实际运用需求,将机器学习问题简化为6分类问题,信号通道数精简为4个,CNN机器学习模型仍可实现较高精度的劣化状态识别。

钢丝网垫减振器的三维建模

为了提高钢丝网垫减振器的动力学设计与分析的效率,根据其动力学特性,建立了一种钢丝网垫的参数模型用于该类结构的三维有限元建模,并通过某钢丝网垫动力学模型参数的试验识别过程给出了钢丝网垫减振器的实际试验建模方法。对钢丝网垫减振器施加单频激励,并测量该激励与相应的位移、速度、加速度响应,然后基于最小二乘法识别出所提出动力学模型的参数。在此基础上进一步探讨了激励频率、泊松比等因素对参数识别的影响,并给出正确识别模型参数所需要的方程个数。研究了钢丝网垫广义密度与模型参数的关系,证明了所提出模型的有效性与识别方法的可行性。

基于修正Backlash滞环的磁流变减振器建模

针对磁流变减振器在半主动控制应用中的非线性建模问题,借鉴电磁学中描述磁滞现象的方法,引入动态Backlash-like模型描述阻尼力—速度特性中的滞回现象,兼顾磁流变减振器在不同电流及不同频率时的动特性,利用Sigmoid函数修正Backlash滞环,并考虑磁流变液屈服后黏性及充气压力作用,并联一个弹簧-阻尼系统,从而提出一种修正Backlash滞环的参数化模型.在试验台架上对自制的磁流变减振器进行不同电流和频率下的动特性试验,用试验数据对模型参数进行辨识,并验证了该模型的预测性能,预测误差小于10%-15%.该模型结构简单,能较精确地描述和预测磁流变减振器动特性,具有良好的实用价值.

软钢阻尼器基于Bouc-Wen模型的参数识别研究

软钢阻尼器构造简单,在工程中得到越来越多应用。Bouc-Wen模型是一个能很好地描述其力学特性的力学模型。但Bouc-Wen模型因其微分形式的非线性表达式而使得参数辨识存在较大的困难,而且其参数物理意义不明确。为此对Bouc-Wen模型各参数的物理意义进行了阐述,为进一步的理论分析和工程应用提供参考。结合Bouc-Wen特性,提出了Bouc-Wen模型的参数识别过程。利用软钢阻尼器的静力和动力试验结果,采用文中所提方法对其进行了参数识别研究。通过仿真结果与试验结果比较,证明提出的参数识别方法可以取得较好的识别效果。另外通过静力试验和动力试验结果对比分析,软钢阻尼器在动荷载下屈服力和刚度有较大提高,但对其动力模型需做进一步的研究。

基于实测时间序列的非线性系统恢复力识别

提出一种完全基于激励和结构响应实测数据的结构动力系统非线性恢复力识别方法,并通过在一个4层钢结构模型中引入具有非线性特性的磁流变阻尼器(MR)模拟非线性恢复力,基于此模型结构在不同的激励方式下的动力响应测量数据,验证了该方法的有效性。对于结构的各自由度均受到激励的情况,运用最小二乘拟合算法识别出等效线性系统的物理参数(质量、刚度和阻尼矩阵),进而得到模型结构振动过程中MR阻尼力随时间变化情况并与实验实测结果进行了比较。针对结构仅在有限自由度上受到激励的情况,对以上方法进行了改进,提出了一种非线性系统恢复力的非参数化识别方法,利用结构中弹性恢复力的对称关系,分步确定了结构各层间恢复力模型,从而得到MR恢复力的大小并与实测结果进行了比较。结果表明,基于时域实测信号的非线性系统恢复力识别法在完整激励和非完整激励下均能有效地识别结构的非线性恢复力特性。文章所述方法可以运用于工程结构在动力荷载作用下的损伤发生发展过程的监测与识别。